我们已根据来自IMDB的DMCA移除要求删除了该数据集的原始版本。为了最大程度地减少影响，我们将根据其使用条款，用电影数据库（TMDb）中的一组相似的电影和数据字段替换它。 坏消息是，基于旧数据集构建的内核很可能不再起作用。 好消息是，你可以进行一些编辑就可以移植现有的内核。该内核提供了这样做的功能和示例。你还可以在这里找到新格式的介绍。 新的数据集包含演员和剧组的全部票数，而不仅仅是前三个演员。 现在，按照在字幕中出现的顺序列出了演员。目前尚不清楚原始数据集的使用顺序。对于我检查过的电影，它既不符合积分顺序也不符合IMDB的星级顺序。 收入似乎是最新的。例如，IMDB的《阿凡达》数字似乎来自2010年，低估了影片的全球收入超过20亿美元。 我们无法移植的一些电影（几百部）只是不好的作品。例如，此IMDB条目基本上根本没有准确的信息。它列出了《星球大战第七集》作为纪录片。 数据源传输详细信息 几个新列包含json。你可以通过[从此内核]（）移植加载数据功能来节省一些时间。 即使在像运行时这样的简单字段中，各个版本之间也可能不一致。例如，先前的数据集显示了Avatar扩展剪切的持续时间，而TMDB显示了原始版本的时间。 现在有一个单独的文件，其中包含演员和工作人员的全部学分。 所有字段均由用户填写，因此不要期望他们在关键字，体裁，评分等方面达成共识。 你现有的内核将继续正常渲染，直到重新运行它们为止。 如果你对如何准备此数据集感到好奇，可以在此处发布访问TMDb API的代码。 新列： 主页 ID original_title 概观 人气 生产公司 生产国家 发布日期 口语 状态 标语 平均投票 遗失的栏： 演员1 facebook_likes 演员2 facebook_likes 演员3 facebook_likes Aspect_ratio 投放总计facebook_likes 颜色 content_rating 导演facebook喜欢 facenumber在海报 电影Facebook喜欢 电影imdb链接 num评论家for_reviews num个用户for_reviews 该数据集转载自：https://www.kaggle.com/tmdb/tmdb-movie-metadata

刚开始用人工神经网络进行Internet流量预测（时间序列预测）工作，没什么经验。有人知道哪种方法最适合吗？ 哪种神经网络适用于时间序列预测？ 时序学习是不是在无监督的情况下进行深度学习比较好？

这个数据集包含了上个世纪超过80000份UFO目击报告。 数据集来自https://www.kaggle.com/NUFORC/ufo-sightings

这些数据集包含有关在2017年9月21日之前上传到TED.com官方网站的TED演讲的所有音频记录的信息。TED主数据集包含有关所有演讲的信息，包括观看次数，评论数，描述，演讲者和标题。TED笔录数据集包含TED.com上所有演讲的笔录。 数据集来自https://www.kaggle.com/rounakbanik/ted-talks

不断变化的移动领域是一个充满挑战的领域。移动设备占桌面设备的比例在不断上升。Android占智能手机市场的53.2%，iOS占43%。为了让更多人下载你的应用，你需要确保他们能够轻松找到你的应用。移动应用分析是理解现有策略的好方法，能够推动未来用户的增长和留存。 现在有上百万的应用程序，以下数据集是获得iOS app store热门应用的关键。该数据集包含7000多个苹果iOS移动应用的详细信息。这些数据是从苹果公司网站上的iTunes搜索API中提取的。本研究使用R和linux web抓取工具。 数据集来自https://www.kaggle.com/ramamet4/app-store-apple-data-set-10k-apps

该数据集包含针对不同编程语言的“Hello world”程序。主文件中的每一行描述一个程序:语言、文件扩展名和程序文本本身。 数据集来自https://www.kaggle.com/ihelon/hello-world-in-programming-languages